[논문]전산화단층촬영조영술에서 화질 최적화를 위한 딥러닝 기반 및 하이브리드 반복 재구성의 특성분석

전필현; 이창래

doi:10.7742/jksr.2023.17.1.1

전산화단층촬영조영술에서 화질 최적화를 위한 딥러닝 기반 및 하이브리드 반복 재구성의 특성분석
Characterization of Deep Learning-Based and Hybrid Iterative Reconstruction for Image Quality Optimization at Computer Tomography Angiography 원문보기

한국방사선학회 논문지 = Journal of the Korean Society of Radiology, v.17 no.1, 2023년, pp.1 - 9

전필현 (원주의과대학 원주세브란스기독병원 영상의학과) , 이창래 (삼성전자 의료기기사업부)

초록
AI-Helper

전산화단층촬영조영술(computer tomography angiography, CTA)의 최적 화질을 위한 서로 다른 요오드 농도와 스캔 매개변수를 적용하여 필터 보정 역투영 (filtered back projection, FBP), 혼합형 반복재구성 (hybrid-iterative reconstruction, hybrid-IR) 및 딥러닝 재구성 (deep learning reconstruction, DLR)의 화질적 특성을 정량적으로 평가하였다. 320행 검출기 CT 스캐너에서 지름 19 cm의 원통형 물 팬텀 가장자리에 있는 다양한 요오드 농도 (1.2, 2.9, 4.9, 6.9, 10.4, 14.3, 18.4 및 25.9 mg/mL)의 팬텀을 스캔하였다. 각각의 재구성 기술을 사용하여 획득한 데이터는 노이즈 (noise), 변동 계수 (coefficient of variation, COV) 및 평균 제곱근 오차 (root mean square error, RMSE)을 통해 영상을 분석하였다. 요오드의 농도가 증가할수록 CT number 값은 증가하였지만 노이즈 변화는 특별한 특성을 보이지 않았다. 다양한 관전류 및 관전압에서 FBP, adaptive iterative dose reduction (AIDR) 3D 및 advanced intelligent clear-IQ engine (AiCE)에 대해 요오드 농도를 증가할수록 COV는 감소하였고 요오드 농도가 낮을 때는 재구성 기술 간의 COV 차이가 다소 발생하였지만, 요오드 농도가 높아짐에 따라 그 차이는 미약한 결과를 보였다. 또한, AiCE에서는 요오드 농도가 높아질수록 RMSE는 감소하지만 특정한 농도 (4.9 mg/mL) 이후에는 RMSE가 오히려 증가 되는 특성을 보여주었다. 따라서 최적의 CTA 영상 획득을 위해 재구성 기술에 따른 요오드 농도의 변화 및 다양한 관전류 및 관전압의 스캔 매개변수의 특성을 고려하여 환자 스캔을 해야 할 것이다.

Abstract ▼ AI-Helper

For optimal image quality of computer tomography angiography (CTA), different iodine concentrations and scan parameters were applied to quantitatively evaluate the image quality characteristics of filtered back projection (FBP), hybrid-iterative reconstruction (hybrid-IR), and deep learning reconstruction (DLR). A 320-row-detector CT scanner scanned a phantom with various iodine concentrations (1.2, 2.9, 4.9, 6.9, 10.4, 14.3, 18.4, and 25.9 mg/mL) located at the edge of a cylindrical water phantom with a diameter of 19 cm. Data obtained using each reconstruction technique was analyzed through noise, coefficient of variation (COV), and root mean square error (RMSE). As the iodine concentration increased, the CT number value increased, but the noise change did not show any special characteristics. COV decreased with increasing iodine concentration for FBP, adaptive iterative dose reduction (AIDR) 3D, and advanced intelligent clear-IQ engine (AiCE) at various tube voltages and tube currents. In addition, when the iodine concentration was low, there was a slight difference in COV between the reconstitution techniques, but there was little difference as the iodine concentration increased. AiCE showed the characteristic that RMSE decreased as the iodine concentration increased but rather increased after a specific concentration (4.9 mg/mL). Therefore, the user will have to consider the characteristics of scan parameters such as tube current and tube voltage as well as iodine concentration according to the reconstruction technique for optimal CTA image acquisition.

주제어

표/그림 (7)

그림 Fig. 1. (a) The setup and cross-sectional CT images of a water phantom (diameter: 19 cm) containing nine vials of 1 cm diameter filled with different iodine concentrations (1.2 ~ 25.9 mg/ml) WL/WW : 0/400. Representative images acquired at CTDI_vol(4.2 mGy), (b) FBP, (c) AIDR 3D (standard), (d) AiCE (standard).
표 Table 1. Representative CT numbers and image noise measured from images of different iodine concentrations derived from different reconstruction techniques (FBP, AIDR 3D and AiCE ) at 120 kVp, 80 mA. CT Number (HU) ± Noise (HU) were used to express the measured values
그림 Fig. 2. CNR for various (a) tube currents (80, 100, 150, 200, 250, and 350 mA) and (b) tube voltages (80, 100, 120, and 135 kVp) at different iodine concentrations with FBP.
그림 Fig. 3. Noise derived from different reconstruction techniques in a water phantom was measured for different (a) tube currents (80, 100, 150, 200, 250 and 350 mA) and (b) tube voltages (80, 100, 120 and 135 kVp).
그림 Fig. 4. COV (%) for FBP, AIDR 3D and AiCE at different iodine concentrations and tube voltages (80, 100, 120, 135 kVp). The dose (CTDI_vol: 4.2 mGy) is the same for all.
그림 Fig. 5. RMSE (HU) for FBP, AIDR 3D and AiCE at different iodine concentrations and tube currents (80, 100, 150, 200, 250 and 350 mA). Tube voltage is fixed at 120 kVp without change.
그림 Fig. 6. RMDS (HU) of water phantom images as a function of (a) tube currents (80, 100, 150, 200 and 250, and 350 mA) and (b) tube voltages (80, 100, 120, and 135 kVp) derived from different reconstruction techniques (FBP, AIDR 3D and AiCE).

AI 본문요약
AI-Helper

제안 방법

1-(a)에서는 제작된 팬텀을 스캔하기 위해 CT 갠트리에 설치된 모습을 보여준다. CT 원시 (raw) 데이터는 커널 FC13을 적용한 FBP, 중간 샤프 커널(medium-sharp kernel) FC14 (AIDR 3D)를 적용한 hybrid-IR 및 body-sharp option (AiCE)을 적용한 DLR을 사용하여 재구성하였다. AIDR 3D와 AiCE는 mild, standard 및 strong 세 가지 강도의 레벨을 선택적으로 적용할 수 있다.
멀티에너지 CT뿐만 아니라 IR 및 DLR 이 임상에 적용되면서 CTA 스캔 시 환자의 선량을 최소화하고 최적의 화질을 달성하기 위해 사용자는 다양한 CT 스캔 매개변수 및 조영제 농도에 따른 특성을 고려해야 한다. 본 연구에서는 다양한 조영제 농도와 스캔 매개변수(관전류 및 관전압)에 따른 FBP, IR (AIDR 3D) 및 DLR (AiCE)의 화질 특성을 정량적으로 평가하였다.

데이터처리

4는 서로 다른 요오드 농도 및 관전압(80, 100, 120 및 135 kVp) 에서 FBP, AIDR 3D 및 AiCE에 대한 COV이고, 요오드의 농도가 증가할수록 COV는 감소하는 결과를 보여주었다. FBP 대비 AIDR 3D와 AiCE의 HU값 변화율을 평가하기 위해 RMSE를 계산하였다.
일반적으로 화질이 우수한 영상은 COV가 낮다. 두 번째로 FBP 대비 AIDR 3D와 AiCE의 CT number 값 변화율을 평가하기 위해 RMSE를 분석하였다. 서로 다른 요오드 농도 (1.
본 연구의 주요 분석 첫 번째로 영상의 노이즈를 정량적으로 나타내는 평가 요소인 COV를 분석하였다. 서로 다른 관전압에서 FBP, AIDR 3D 및 AiCE에 대해 요오드의 농도가 증가할수록 COV는 감소하는 결과를 보여주었다.

성능/효과

Fig. 2는 FBP 재구성 기술을 적용한 다양한 관전류 (80, 100, 150, 200, 250 및 350 mA) 및 관전압 (80, 100, 120 및 135 kVp)에 따른 CNR은 요오드 농도의 증가에 따라 CNR은 선형적으로 증가하였고, 관전류가 높을수록 그리고 관전압이 낮을수록 CNR은 증가하는 특성을 보였다.
또한, Fig. 6은 관전류 및 관전압 변화에 따른 물팬텀의 다양한 재구성 기술 영상의 RMSE의 결과, 각 재구성 기술에 관전류 변화에 따른 RMSE는 뚜렷한 변화는 없었지만 관전압이 증가할수록 RMSE는 감소하는 경향을 보였다.
물 팬텀에서 관전류가 증가할수록 모든 재구성 기술(FBP, AIDR 3D 및 AiCE)의 노이즈는 감소 되었고, 관전압이 증가하여도 모든 재구성 기술의 노이즈는 변화하지 않고 유지되었다. 결론적으로 요오드의 농도가 증가할수록 CT number 값은 증가 되지만, 노이즈는 특별한 특성을 보이지 않았다.
3-(a)는 물 팬텀에서 다양한 관전류와 관전압에 따른 다양한 재구성 기술로 도출된 노이즈를 보여주고 있다. 그 결과 관전류가 증가할수록 모든 재구성 기법의 노이즈는 감소 되었다. 그리고 Fig.
추가로 물 팬텀에서 관전류 및 관전압 변화에 따른 다양한 재구성 기술 영상의 RMSE의 결과 전반적으로 AIDR 3D보다 AiCE가 높았고, 관전류 변화에 따른 RMSE는 뚜렷한 변화는 없었지만 관전압이 증가할수록 RMSE는 감소하는 경향을 보였다. 이러한 결과들은 관전류 변화에 따라 재구성 기술 영상의 CT number 값은 영향을 받지 않지만 관전압은 재구성 기술 및 강도 레벨에 따른 영향을 받는다는 것을 증명 해 주고 있다.

참고문헌 (21)

V. Vardhanabhuti, S. Ilyas, C. Gutteridge, S. J.？Freeman, C. A Roobottom, "Comparison of image？quality between filtered back-projection and the？adaptive statistical and novel model-based iterative？reconstruction techniques in abdominal CT for renal？calculi", Insights into imaging, Vol. 4, No. 5, pp.？661-669, 2013.？http://dx.doi.org/10.1007/s13244-013-0273-5o
M. Katsura, I. Matsuda, M. Akahane, J. Sato, H.？Akai, K. Yasaka, A. Kunimatsu, K. Ohtomo,？"Model-based iterative reconstruction technique for？radiation dose reduction in chest CT: comparison？with the adaptive statistical iterative reconstruction？technique", European radiology, Vol. 22, No. 8, pp.？1613-1623, 2013.？http://dx.doi.org/10.1007/s00330-012-2452-z

상세보기
T. P. Szczykutowicz, G. V. Toia, A. Dhanantwari, B.？Nett, "A Review of Deep Learning CT？Reconstruction: Concepts, Limitations, and Promise in？Clinical Practice", Current Radiology Reports, Vol.？10, pp. 101-115, 2022.？https://doi.org/10.1007/s40134-022-00399-5

상세보기
D. Fleischmann, F. E. Boas, "Computed？tomography--old ideas and new technology",？European radiology, Vol. 21, No. 3, pp. 510-517,？2011. http://dx.doi.org/10.1148/radiol.2015132766

상세보기
M. J. Willemink, P. A. Jong, T. Leiner, L. M. Heer,？R. A. J. Nievelstein, R. P. J. Budde, A. M. R.？Schilham, "Iterative reconstruction techniques for？computed tomography Part 1: technical principles",？European radiology, Vol. 23, No. 6, pp. 1623-1631,？2013. http://doi.org/10.1007/s00330-012-2765-y

상세보기
M. Beister, D. Kolditz, W. A. Kalender, "Iterative？reconstruction methods in X-ray CT", Physica？medica, Vol. 28, No. 2, pp. 94-108, 2012.？http://doi.org/10.1016/j.ejmp.2012.01.003

상세보기
S. Singh, M. K. Kalra, M. D. Gilman, J. Hsieh, H.？H. Pien, S. R. Digumarthy, J-A. O. Shepard,？"Adaptive statistical iterative reconstruction technique？for radiation dose reduction in chest CT: a pilot？study", Radiology, Vol. 259, No. 2, pp. 565-573,？2011. http://doi.org/10.1148/radiol.11101450

상세보기
M. Patino, J. M. Fuentes, S. Singh, P. F. Hahn, D.？V. Sahani, "Iterative Reconstruction Techniques in？Abdominopelvic CT: Technical Concepts and Clinical？Implementation", American journal of roentgenology,？Vol. 205, No. 1, pp. 19-31, 2015.？http://doi.org/10.2214/AJR.14.13402

상세보기
K. Jensen, A. C. T. Martinsen, A. Tingberg, T. M.？Aalokken, E. Fosse, "Comparing five different？iterative reconstruction algorithms for computed？tomography in an ROC study", European radiology,？Vol. 24, No. 12, pp. 2989-3002, 2014.？http://doi.org/10.1007/s00330-014-3333-4

상세보기
J. A. Nichols, H. W. H. Chan, M. A. B. Baker,？"Machine learning: applications of artificial？intelligence to imaging and diagnosis", Biophysical？reviews, Vol. 11, No. 1, pp. 111-118, 2019.？https://doi.org/10.1007/s12551-018-0449-9

상세보기
Y. Chen, J. Liu, L. Xie, Y. Hu, H. Shu, L. Luo, L.？Zhang, Z. Gui, G. Coatrieux, "Discriminative Prior -？Prior Image Constrained Compressed Sensing？Reconstruction for Low-Dose CT Imaging",？Scientific reports, 13868, 2017.？https://doi.org/10.1038/s41598-017-13520-y

상세보기
M. Akagi, Y. Nakamura, T. Higaki, K. Narita, Y.？Honda, J. Zhou, Z. Yu, N. Akino, K. Awai, "Deep？learning reconstruction improves image quality of？abdominal ultra-high-resolution CT", European？radiology, Vol. 29, No. 11, pp. 6163-6171, 2019.？http://doi.org/10.1007/s00330-019-06170-3

상세보기
J. Choe, S. M. Lee, K-H. Do, G. Lee, J-G. Lee, S.？M. Lee, J. B. Seo, "Deep Learning-based Image？Conversion of CT Reconstruction Kernels Improves？Radiomics Reproducibility for Pulmonary Nodules or？Masses", Radiology, Vol. 292, No. 2, pp. 365-373,？2019. http://doi.org/10.1148/radiol.2019181960

상세보기
S. Tao, J. F. Marsh, A. Tao, G. J. Michalak, K.？Rajendran, C. H. McCollough, S. Leng,？"Multi-energy CT imaging for large patients using？dual-source photon-counting detector CT", Physics in？medicine and biology, Vol. 31, No. 65, 17NT01, 2020. http://doi.org/10.1088/1361-6560/ab99e4

상세보기
M. M. Woeltjen, J. H. Niehoff, A. E. Michael, S.？Horstmeier, C. Moenninghoff, J. Borggrefe, J. R.？Kroeger, "Low-Dose High-Resolution？Photon-Counting CT of the Lung: Radiation Dose？and Image Quality in the Clinical Routine",？Diagnostics, Vol. 12, No. 6, 1441, 2022.？http://doi.org/10.3390/diagnostics12061441

상세보기
M.A. Kuefner, S. Grudzenski, S. A. Schwab, M.？Wiederseiner, M. Heckmann, W. Bautz, M, Lobrich,？M. Uder, "DNA double-strand breaks and their？repair in blood lymphocytes of patients undergoing？angiographic procedures", Investigative Radiology,？Vol. 44, No. 8, pp. 440-446, 2009.？http://doi.org/10.1097/rli.0b013e3181a654a5

상세보기
J. Calle-Toro, B. Viteri, L. Ballester, H. A.？G-Perdomo, A. White, M. Pradhan, H. J. Otero,？"Risk of Acute Kidney Injury Following？Contrast-enhanced CT in a Cohort of 10 407？Children and Adolescents", Radiology, Vol. 6,？210816, 2022. http://doi.org/10.1148/radiol.210816

상세보기
C. Otgonbaatar, J. K. Ryu, J. Shin, H. M. Kim, J.？W. Seo, H. Shim, D. H. Hwang, "Deep learning？reconstruction allows for usage of contrast agent of？lower concentration for coronary CTA than filtered？back projection and hybrid iterative reconstruction",？Acta radiologica, Vol. 17, 2841851221118476, 2022.？http://doi.org/10.1177/02841851221118476

상세보기
C.A. Schneider, W.S. Rasband, K.W. Eliceiri, "NIH？Image to ImageJ: 25 years of Image Analysis", Nat？Methods, Vol. 9, No. 7, pp. 671-675, 2012.？http://doi.org/10.1038/nmeth.2089

상세보기
R. T. Yunardi, Q. Istiqomah, R. Latifah,？"Contrast-enhanced Based on Abdominal Kernels for？CT Image Noise Reduction", IEEE, 19025653, 2019.？http://doi.org/10.1109/ICAIIT.2019.8834645
T. Lestra, S. Mule, I. Millet, A. Carsin-Vu, P.？Taourel, C. Hoeffel, "Applications of dual energy？computed tomography in abdominal imaging",？Diagnostic and interventional imaging, Vol. 97, No.？6, pp. 593-603, 2016.？http://doi.org/10.1016/j.diii.2015.11.018

상세보기

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증